IMPLEMENTASI DETEKSI TEPI PREWITT DAN ALGORITMA BACKPROPAGATION UNTUK PENGENALAN MOTIF SONGKET PALEMBANG CITRA EKA MUTIA

IMPLEMENTASI DETEKSI TEPI PREWITT DAN ALGORITMA BACKPROPAGATION UNTUK PENGENALAN MOTIF SONGKET PALEMBANG. CITRA EKA MUTIA 121401035. PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2019. Universitas Sumatera Utara.

IMPLEMENTASI DETEKSI TEPI PREWITT DAN ALGORITMA BACKPROPAGATION UNTUK PENGENALAN MOTIF SONGKET PALEMBANG SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer. CITRA EKA MUTIA 121401035. PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2019. Universitas Sumatera Utara.

ii. Universitas Sumatera Utara.

iii. PERNYATAAN. IMPLEMENTASI DETEKSI TEPI PREWITT DAN ALGORITMA BACKPROPAGATION UNTUK PENGENALAN MOTIF SONGKET PALMBANG. SKRIPSI. Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.. Medan,. Juli 2019. Citra Eka Mutia 121401035. Universitas Sumatera Utara.

iv. PENGHARGAAN. Pada pengerjaan skripsi dengan judul Implementasi Deteksi Tepi Prewitt dan Algoritma Backpropagation Untuk Pengenalan Motif Songket Palembang, penulis menyadari bahwa banyak pihak yang turut membantu dan mendukung penulis dalam menyelesaikan skripsi ini. Dalam kesempatan ini, penulis mengucapkan terima kasih kepada: 1. Bapak Prof. Dr. Runtung Sitepu, SH, M.Hum selaku Rektor Universitas Sumatera Utara. 2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara sekaligus Dosen Pembimbing I yang telah memberikan arahan dan bimbingan kepada penulis dalam mengerjakan skripsi ini. 3. Bapak Dr. Poltak Sihombing, M.Kom selaku Ketua Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara. 4. Bapak Herriyance, S.T, M.Kom selaku Sekretaris Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara. 5. Ibu Amalia, S.T, M.T, selaku Dosen Pembimbing II yang telah banyak memberikan arahan dan bimbingan kepada penulis dalam menyelesaikan skripsi ini. 6. Bapak Prof. Dr. Muhammad Zarlis selaku Dosen Pembanding I yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini. 7. Bapak Dr. Syahril Efendi, S.Si, M.IT selaku Dosen Pembanding II yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini. 8. Seluruh dosen dan pegawai Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.. Universitas Sumatera Utara.

v. 9. Kedua orang tua yaitu Ayah saya Sofyan dan Ibu saya Minarni, dan kedua adik saya Mohammad Rifan dan Farhan Azmi, yang telah memberikan doa, kasih sayang, semangat, dorongan serta dukungan yang tiada henti kepada penulis. 10. Muhammad Yudha Syuhada, S.Kom dan Jabbar Ali Panggabean, S.Kom yang telah meluangkan waktu dan pikirannya dalam membantu penulis untuk menyelesaikan skripsi ini. 11. Teman-teman yang selalu bersama, memberi semangat dan membantu penulis mulai dari awal masa perkuliahan sampai penyelesaian skripsi ini, Rizky Adawiyah Dalimunthe, Muzdalifa, Indri Hidayati, Tika Linavia, Indah Widya Sari, Aulia Tarindah Putri dan Pradita Oktaviani, Khalida Zia, dan M. Miftahul Huda. 12. Teman-teman stambuk 2012, terkhusus KOM A teman-teman seperjuangan saat menimba ilmu di S1 Ilmu Komputer. 13. Semua pihak yang terlibat langsung maupun tidak langsung yang tidak dapat penulis ucapkan satu demi satu yang telah membantu penyelesaian skripsi ini. Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.. Medan,. Juli 2019. Penulis,. Citra Eka Mutia. Universitas Sumatera Utara.

vi. ABSTRAK. Indonesia memiliki beragam kain tradisional yang berbeda di setiap daerah, salah satunya songket Palembang. Saat ini tidak banyak orang yang mengetahui jenis motif kain songket Palembang karena kain songket Palembang memiliki motif yang kompleks, maka dibutuhkan suatu metode yang dapat digunakan untuk membedakan jenis motif kain songket yang beragam sehingga mudah untuk mengetahui jenis dari tiap motif tersebut. Hal ini yang mendasari pemanfaatan metode jaringan saraf tiruan untuk dapat mengenali motif songket Palembang tersebut. Pada penelitian ini penulis akan menggunakan operator deteksi tepi Prewitt dan algoritma Backpropagation untuk membuat aplikasi yang dapat mengenali motif songket Palembang tersebut. Hasil dari penelitian ini dengan learning rate 0,5 dan maksimum epoch 200 didapat persen akurasi sebesar 72,7% dengan data uji sebanyak gambar 16 songket dan 6 gambar bukan songket didapat hasil sebanyak 16 gambar sesuai dengan target input menunjukkan bahwa operator deteksi tepi Prewitt dan algoritma Backpropagation dapat digunakan untuk pengenalan pola songket Palembang.. Kata Kunci: Songket, Backpropagation, Prewitt, Pengenalan Pola, Deteksi Tepi. Universitas Sumatera Utara.

vii. Implementation of Prewitt Edge Detection and Backpropagation Algorithm for Recognition of Palembang Songket Motif ABSTRACT. Indonesia has variety of different traditional fabrics in each region, one of which is Palembang songket. Currently, not many people knows that the type of songket Palembang stripes and shades, it takes a method that can be used to distinguish the variety stipes and shades of songket so we can spot the differencies. This underlying the use of artificial neural network method to be able to recognize the stripes and shades of songket Palembang. The author will use the Prewitt Edge Detection and Backpropagation algorithm to create an application that can recognize the differency of each Palembang songket. The result of this study with learning rate 0.5 and maximum of epoch 200 obtained 72.7% of accuracy percentage with 16 test data songket images and 6 test data not songket images obtained 16 images result according to target input indicates that the operator Prewitt Edge Detection and Backpropagation algorithm can be used for pattern songket Palembang recognition. Keywords: Songket, Backpropagation, Prewitt, Pattern, Edge Detection. Universitas Sumatera Utara.

viii. DAFTAR ISI. Halaman Persetujuan. ii. Pernyataan. iii. Penghargaan. iv. Abstrak. vi. Abstract. vii. Daftar Isi. viii. Daftar Tabel. xi. Daftar Gambar. xii. Daftar Lampiran. xiii. Bab 1 Pendahuluan 1.1 Latar Belakang. 1. 1.2 Rumusan Masalah. 2. 1.3 Batasan Penelitian. 2. 1.4 Tujuan Penelitian. 2. 1.5 Manfaat Penelitian. 2. 1.6 Metode Penelitian. 3. 1.7 Sistematika Penulisan. 4. Bab 2 Landasan Teori 2.1 Songket. 5. 2.2 Citra Digital. 5. 2.2.1 Jenis-jenis Citra Digital. 5. 2.2.1.1 Citra Biner. 5. 2.2.1.2 Citra Grayscale. 6. 2.2.1.3 Citra RGB. 6. 2.3 Pengolahan Citra Digital. 6. 2.4 Deteksi Tepi. 7. 2.4.1 Operator Prewitt 2.5 Neural Network. 7 10. Universitas Sumatera Utara.

ix. 2.5.1 Arsitektur Neural Network. 11. 2.5.2 Fungsi Aktivasi Sigmoid. 12. 2.5.3 Konsep Learning Neural Network. 12. 2.5.3.1 Backpropagation. 13. 2.5.3.1.1 Algoritma Backpropagation. 14. 2.6 Penelitian Terdahulu. 21. Bab 3 Analisis dan Perancangan 3.1 Analisis Sistem. 23. 3.1.1 Analisis Masalah. 23. 3.1.2 Analisis Kebutuhan. 24. 3.1.2.1 Kebutuhan Fungsional. 24. 3.1.2.2 Kebutuhan Non-Fungsional. 25. 3.1.3 Pemodelan. 25. 3.1.3.1 Use Case Diagram. 25. 3.1.3.2 Activity Diagram. 28. 3.1.3.3 Sequence Diagram. 30. 3.1.3.4 Arsitektur Umum Sistem. 31. 3.1.3.5 Flowchart. 32. 3.1.3.4.1 Flowchart Aplikasi Pengenalan Songket Palembang. 32. 3.1.3.4.2 Flowchart Operator Deteksi Tepi Prewitt. 32. 3.1.3.4.3 Flowchart Algoritma Backpropagation 3.2 Perancangan Sistem. 33 33. 3.2.1 Rancangan Antarmuka Halaman Utama. 33. 3.2.2 Rancangan Antarmuka Training. 34. 3.2.3 Rancangan Antarmuka Recognition. 35. Bab 4 Implementasi dan Pengujian 4.1 Implementasi Sistem. 36. 4.1.1 Halaman Utama. 36. 4.1.2 Halaman Training. 37. 4.1.3 Halaman Recognition. 37. 4.1.4 Deteksi Tepi Prewitt. 38. 4.1.5 Ketentuan dan Parameter Pengujian. 38. Universitas Sumatera Utara.

x. 4.2 Pengujian Sistem. 38. 4.2.1 Hasil Pengujian Sampel Songket. 42. 4.2.2 Analisis Hasil Kecocokan Pola Songket Palembang. 49. Bab 5 Kesimpulan dan Saran 5.1 Kesimpulan. 50. 5.2 Saran. 50. Daftar Pustaka. 51. Lampiran A : Listing Program. A-1. Lampiran B : Curriculum Vitae. B-1. Universitas Sumatera Utara.

xi. DAFTAR TABEL. Halaman Tabel 3.1 Use Case Memilih Pelatihan atau Pengujian. 26. Tabel 3.2 Use Case Input Gambar. 26. Tabel 3.3 Use Case Melakukan Metode Prewitt. 27. Tabel 3.4 Use Case Melakukan Pelatihan Backpropagation. 27. Tabel 3.5 Use Case Melakukan Pengujian Backpropagation. 28. Tabel 3.6. Keterangan Gambar Rancangan Antarmuka Halam Utama. 34. Tabel 3.7. Keterangan Gambar Rancangan Antarmuka Training. 35. Tabel 3.8. Keterangan Gambar Rancangan Antarmuka Recognition. 35. Tabel 4.1. Tabel Gambar Data Set. 40. Tabel 4.2. Tabel Nilai Mean Square Error. 40. Tabel 4.3. Tabel Nilai Mean Square Error dengan Epoh 200 dan Learning Rate 0,8 42. Tabel 4.4. Pengujian Sampel Gambar Songket Palembang. 42. Tabel 4.5. Pengujian Sampel Gambar Bukan Songket Palembang. 45. Tabel 4.6. Hasil Pengenalan Pola dengan Epoh 200 dan Learning Rate 0,8. 46. Universitas Sumatera Utara.

xii. DAFTAR GAMBAR. Halaman Gambar 2.1. Citra Greyscale. 6. Gambar 2.2. Mask Operator Prewitt. 7. Gambar 2.3. Single Layer. 11. Gambar 2.4. Multy Layer. 12. Gambar 2.5. Fungsi Aktivasi Sigmoid. 12. Gambar 3.1. Diagram Ishikawa. 24. Gambar 3.2. Use Case Diagram. 25. Gambar 3.3. Activity Diagram Pelatihan Backpropagation. 29. Gambar 3.4. Activity Diagram Pengujian Backpropagation. 29. Gambar 3.5. Sequence Diagram Pelatihan Backpropagation. 30. Gambar 3.6. Sequence Diagram Pengujian Backpropagation. 30. Gambar 3.7. Arsitektur Umum Sistem. 31. Gambar 3.8. Flowchart Aplikasi Pengenalan Songket Palembang. 32. Gambar 3.9. Flowchart Operator Deteksi Tepi Prewitt. 32. Gambar 3.10 Flowchart Algoritma Backpropagation. 33. Gambar 3.11 Rancangan Antarmuka Halam Utama. 34. Gambar 3.12 Rancangan Antarmuka Training. 34. Gambar 3.13 Rancangan Antarmuka Recognition. 35. Gambar 4.1. Halaman Utama. 36. Gambar 4.2. Halaman Training. 37. Gambar 4.3. Halaman Recognition. 37. Gambar 4.4. Contoh Prewitt. 38. Gambar 4.5. Proses Input dan Pelatihan Gambar. 39. Gambar 4.6. Grafik penurunan Nilai Mean Square Error tiap Epoch. 41. Universitas Sumatera Utara.

xiii. DAFTAR LAMPIRAN. Halaman Listing Program. A-1. Curriculum Vitae. B-1. Universitas Sumatera Utara.

1. BAB 1 PENDAHULUAN. 1.1 Latar Belakang Indonesia memiliki beragam kain tradisional yang berbeda di setiap daerah, contohnya kain batik, kain ulos, kain songket, dan lain sebagainya. Kain songket merupakan salah satu kain tradisional Indonesia yang biasa digunakan oleh Suku Melayu. Kain songket terdapat di beberapa daerah seperti Sumatera Selatan, Sematera Barat, dan beberapa daerah lain di Indonesia. Pada kain songket memiliki pola yang kompleks, kain songket terdapat berbagai motif yang sulit untuk dibedakan. Pada saat ini tidak banyak orang yang mengetahui jenis motif kain songket Palembang, maka dibutuhkan suatu metode yang dapat digunakan untuk membedakan jenis motif kain songket yang beragam sehingga mudah untuk mengetahui jenis dari tiap motif tersebut. Hal ini yang mendasari pemanfaatan metode jaringan saraf tiruan, salah satu algoritma pada jaringan saraf tiruan adalah algoritma Backpropagation. Algoritma Backpropagation biasanya menggunakan jaringan multilayer. Algoritma Backpropagation terdiri dari tahap pelatihan atau pembelajaran dan tahap pengujian atau pengenalan pola. Pebrianasari et al (2015) melakukan penelitian pengenalan motif batik Pekalongan dengan algoritma Backpropagation, berdasarkan hasil dari penelitian dimana kebutuhan jaringan yang digunakan adalah maksimum epoch 100, target error 0,01, learning rate 0,01, maka dapat disimpulkan algoritma Backpropagation dapat digunakan untuk pengenalan pola motif batik Pekalongan dengan nilai akurasi masing-masing motif batik adalah motif batik kawung buketan 88,07%, motif batik burung phoenix 87,32%, motif batik enchim 85,68%, motif batik jawa hokokai 90,73% dan motif batik jlamprang 91,31%. Sedangkan nilai akurasi rata-rata yang didapatkan adalah 88,62%. Kasim. &. Harjoko. (2014). melakukan. penelitian. dengan. algoritma. Backpropogation untuk mengklasifikasi motif kain batik dengan motif geometri dan. Universitas Sumatera Utara.

2. non geometri, hasilnya klasifikasi citra motif geometri dapat dilakukan dengan keberhasilan klasifikasi sebesar 100%, sedangkan pada citra batik non geometri sebesar 85.71%. Motif citra yang tidak beraturan menyebabkan terjadinya kesalahan klasifikasi kelas citra batik motif non geometri. Adlakha et al (2016) melakukan penelitian dengan menganalisis perbandingan antara metode deteksi tepi Sobel dan Prewitt, hasilnya dalam percobaan ini menunjukkan bahwa metode deteksi tepi Prewitt lebih baik daripada metode deteksi tepi Sobel. Berdasarkan latar belakang yang telah penulis uraikan, maka penulis mencoba melakukan penelitian menggunakan operator deteksi tepi Prewitt dengan algoritma Backpropagation untuk pengenalan pola, dan untuk mengetahui apakah operator deteksi tepi Prewitt dan algoritma Backpropagation dapat digunakan untuk pengenalan pola pada kain songket Palembang. 1.2 Rumusan Masalah Karena sulitnya mengenali dan membedakan pola setiap objek yang sangat kompleks maka diperlukan metode yang dapat digunakan untuk melakukan pengenalan objek dengan tingkat keberhasilan yang tinggi. 1.3 Batasan Penelitian Batasan penelitian sebagai berikut: 1.. Jenis file citra asli yang digunakan untuk diproses adalah *.jpg.. 2.. Ukuran gambar adalah 500x500 piksel.. 3.. Bahasa pemograman yang digunakan adalah Java.. 4.. Database yang digunakan adalah SQLite.. 1.4 Tujuan Penelitian Tujuan penelitian ini adalah untuk melakukan pengenalan pola motif songket Palembang dengan menggunakan operator deteksi tepi Prewitt dan algoritma Backpropogation. 1.5 Manfaat Penelitian Membangun suatu aplikasi dengan menggunakan operator deteksi tepi Prewitt dan algoritma Backpropagation yang dapat digunakan untuk memudahkan pengguna melakukan pengenalan motif songket Palembang.. Universitas Sumatera Utara.

3. 1.6 Metode Penelitian Penelitian ini menerapkan beberapa metode penelitian sebagai berikut : 1. Studi Literatur Pada tahap ini, penulis melakukan pengumpulan referensi yang diperlukan dalam penelitian. Referensi yang digunakan dapat berupa buku, jurnal, e-book, makalah, artikel, situs internet, maupun dari penelitian sebelumnya yang berkaitan dengan penelitian ini untuk memperoleh informasi dan data yang diperlukan. 2. Analisis Pada tahap ini, dilakukan analisis penggunaan algoritma Bacpropogation untuk pengenalan pola songket Palembang. 3. Perancangan Sistem Pada tahap ini, hasil analisis akan menjadi dasar perancangan aplikasi Implementasi Deteksi Tepi Prewitt dan Algoritma Backpropagation untuk Pengenalan Motif Songket Palembang. 4. Implementasi Sistem Pada tahap ini dilakukan pengimplementasian analisis yang telah dilakukan ke dalam program. 5. Pengujian Sistem Pada tahap ini dilakukan pengujian terhadap sistem yang telah diimplementasikan, apakah sudah sesuai dengan hasil analisis dan perancangan yang telah dibuat sebelumnya. 6. Dokumentasi Sistem Pada tahap ini yang dilakukan adalah mendokumentasikan sistem mulai dari tahap awal sampai dengan pengujian sistem, yang selanjutnya dibuat dalam bentuk laporan penelitian (skripsi).. Universitas Sumatera Utara.

4. 1.7 Sistematika Penulisan Sistematika penulisan skripsi ini terdiri dari beberapa bagian utama, yaitu:. BAB 1 PENDAHULUAN Bab ini menjelaskan latar belakang pemilihan judul skripsi “Implementasi Deteksi Tepi Prewitt dan Algoritma Backpropagation untuk Pengenalan Motif Songket Palembang”, rumusan masalah, batasan penelitian, tujuan penelitian, manfaat penelitian, metode penelitian dan sistematika penulisan.. BAB 2 LANDASAN TEORI Bab ini berisi tentang penjelasan singkat mengenai Songket, Citra Digital, Jenis-jenis Citra Digital, Pengolahan Citra Digital, Deteksi Tepi, Operator Prewitt, Neural Network, Arsitektur Neural Network, Fungsi Aktivasi, Algoritma Backpropagation.. BAB 3 ANALISIS DAN PERANCANGAN Bab ini menjelaskan tentang analisis terhadap masalah penelitian dan perancangan terhadap sistem yang akan dibangun, cara kerja sistem disertai pembuatan flowchart, Unified Modeling Language (UML), Design Interface.. BAB 4 IMPLEMENTASI DAN PENGUJIAN Bab ini berisi tentang implementasi antarmuka sistem sesuai dengan analisis dan perancangan, kemudian melakukan pengujian sistem serta membahas hasil dari sistem.. BAB 5 KESIMPULAN DAN SARAN Bab ini memuat kesimpulan dari seluruh uraian bab maupun subbab yang sebelumnya beserta saran berdasarkan hasil pengujian yang diharapkan dapat bermanfaat untuk penelitian selanjutnya.. Universitas Sumatera Utara.

5. BAB 2 LANDASAN TEORI. 2.1 Songket Arti kata songket yaitu memroses benang timbul dalam bentuk-bentuk tertentu dibuat dengan cara menyisipkan benang tambahan yaitu dengan cara mengangkat atau menjungkit beberapa helai benang lungsi. Prinsip benang tambahan itu disebut songket, karena dihubungkan dengan proses menyungkit. Selain benang emas, atau perak, ada yang menggunakan benang sutera berwarna, benang sulam, benang serat tumbuhan, benang rayon, dan sebagainya yang berfungsi sebagai penghias permukaan kain tenun dengan bentuk seperti menyulam bersamaan dengan kegiatan menenun kain. Penggunaan Songket Palembang pada awalnya hanya untuk wanita yang sudah menikah atau janda di acara-acara khusus saja seperti acara adat, pernikahan keluarga dan akikah anak bagi keluarga kesultanan Palembang. Sebagai kain adat, kain songket ditenun oleh penenun khusus kerajaan, sedangkan untuk pengantin ditenun sendiri oleh sang gadis beberapa bulan menjelang pernikahannya (Salim, 2016).. 2.2 Citra Digital Citra digital dapat dianggap sebagai representasi data yang terpisah yang memiliki baik informasi spasial (tata letak) dan intensitas (warna). Piksel mewakili elemen terkecil dalam citra digital dan berisi nilai numerik yang merupakan unit dasar informasi pada gambar (Solomon & Breckon, 2011). 2.2.1 Jenis-jenis Citra Digital Jenis-jenis citra digital sebagai berikut:. 2.2.1.1 Citra Biner Citra biner adalah array 2-D yang menetapkan satu nilai numerik dari himpunan {0;1} ke setiap piksel pada gambar. Citra biner kadang-kadang disebut sebagai gambar logis. Universitas Sumatera Utara.

6. hitam sesuai dengan piksel nol (piksel 'off' atau 'background') dan putih sesuai dengan piksel satu (piksel 'on' atau 'foreground') (Solomon & Breckon, 2011).. 2.2.1.2 Citra Grayscale Citra grayscale adalah array 2-D yang menetapkan satu nilai numerik untuk setiap piksel yang merupakan perwakilan dari intensitas pada titik tersebut. Rentang nilai piksel dibatasi oleh resolusi bit gambar dan gambar tersebut disimpan sebagai gambar integer N-bit dengan format yang diberikan (Solomon & Breckon, 2011).. Gambar 2.1 Citra Grayscale. 2.2.1.3 Citra RGB (true-color) Citra true-color adalah array 3-D yang memberikan tiga nilai numerik ke setiap piksel, masing-masing nilai sesuai dengan komponen gambar merah, hijau dan biru (RGB). RGB adalah ruang warna yang paling umum digunakan untuk representasi citra digital karena sesuai dengan tiga warna primer yang merupakan gabungan untuk ditampilkan pada monitor atau perangkat serupa (Solomon & Breckon, 2011).. 2.3 Pengolahan Citra Digital Pengolahan citra digital adalah teknologi yang menerapkan beberapa algoritma komputer untuk memroses gambar digital. Hasil dari proses ini dapat berupa gambar atau himpunan perwakilan karakteristik atau sifat dari gambar (Zhou et al, 2010). Pengolahan citra digital secara langsung berhubungan dengan gambar, yang terdiri dari banyak titik gambar. Titik gambar ini, juga disebut piksel, yang koordinat spasial yang menunjukkan posisi titik dalam gambar, dan nilai-nilai intensitas (atau tingkat keabuan) (Zhou et al, 2010).. Universitas Sumatera Utara.

7. 2.4 Deteksi Tepi Teknik deteksi tepi banyak digunakan dalam pengolahan citra yang paling disukai digunakan dalam pengenalan pola dan segmentasi citra. Operator deteksi tepi sensitif terhadap noise namun digunakan untuk mendeteksi variasi pada tingkat abu-abu gambar. Operator deteksi tepi digunakan untuk mengekstrak tepi pada gambar dan tepi mengarah pada gambar di mana ketajaman atau intensitas piksel berubah secara tiba-tiba (Adlakha et al, 2016). Deteksi tepi memiliki beberapa operator, salah satunya yaitu operator deteksi tepi Prewitt.. 2.4.1 Operator Prewitt Prewitt merupakan operator diferensiasi diskrit. Operator ini menghitung aproksimasi fungsi intensitas gradien. Hasil dari operator Prewitt adalah vektor gradien yang sesuai atau normal dari vektor ini. Hal ini didasarkan pada penggabungan gambar dengan filter bernilai kecil, terpisah dan bernilai integer dalam arah horizontal (x) dan vertikal (y). Prewitt adalah metode komputasi yang lebih mudah dan cepat untuk deteksi tepi. Operator ini hanya sesuai untuk gambar yang tidak memiliki noise dan dengan kontras yang baik (Adlakha et al, 2016). Operator prewitt menghasilkan dua mask, satu untuk mendeteksi tepi dalam arah horizontal dan lainnya untuk arah vertikal, seperti yang terlihat pada gambar 2.2:. Mask Vertikal. Mask Horizontal. Gambar 2.2 Mask Operator Prewitt (Adlakha et al, 2016). Universitas Sumatera Utara.

8. Berikut ini merupakan contoh perhitungan manual operator deteksi tepi Prewitt dengan matriks 3x3: 0 0 1. 2. . 2 R : 223 G : 60 B : 190 R : 210 G : 235 B : 180 R : 195 G : 55 B : 250. Citra RGB diubah menjadi R = nilai bit * 0,299 G = nilai bit * 0,587 B = nilai bit * 0,114. 0. 1. 2. . 1 R : 235 G : 180 B : 230 R : 160 G : 230 B : 215 R : 215 G : 160 B : 135. R : 210 G : 28 B : 200 R : 200 G : 250 B : 225 R : 190 G : 30 B : 240. 0 R : 62,8 G : 16,4 B : 22,8 R : 59,8 G : 146,8 B : 25,7 R : 56,8 G : 17,6 B : 27,4. 1 R : 70,3 G : 105,7 B : 26,2 R : 47,8 G : 135 B : 24,5 R : 64,3 G : 93,9 B : 15,4. 2 R : 66,7 G : 35,2 B : 21,7 R : 62,8 G : 138 B : 20,5 R : 58.3 G : 32,3 B : 28,5. Menjumlahkan nilai RGB 102. 202. 124. 232. 207. 221. 102. 174. 119. Universitas Sumatera Utara.

9. . Menerapkan operator Prewitt dimana terdapat masking vertical dan horizontal: -1. 0. 1. 1. 1. 1. -1. 0. 1. 0. 0. 0. -1. 0. 1. -1. -1. -1. Masking Horizontal. Masking Vertikal.  Masking Horizontal Sx = Sx + (nilai bit * mask horizontal) Dimana Sx = 0 -102. 0. 124. -232. 0. 221. -102. 0. 119.  Masking Vertikal Sy = Sy + (nilai bit * mask vertikal) Dimana Sy = 0 102. 202. 124. 0. 0. 0. -102. -174. -119.  Jika Sx < 0 Maka : (Sx * (-1)). Jika Sy < 0 Maka : (Sy * (-1)). 102. 0. 124. 102. 202. 124. 232. 0. 221. 0. 0. 0. 102. 0. 119. 102. 174. 119. Universitas Sumatera Utara.

10.  Threshold M = Sy + Sx 204. 202. 248. 232. 0. 221. 204. 174. 238. 1. 1. 1. 1. 0. 1. 1. 1. 1. Jika M > 128 M = 255 = 1; M < 128 M=0. 2.5 Neural Network Artificial Neural Network (ANN) adalah model komputasi, yang didasarkan pada jaringan saraf biologi. Artificial Neural Network sering disebut sebagai Neural Network (NN). Arsitektur NN dapat berupa single layer atau multilayer. Dalam single layer Neural Network, hanya satu lapisan input dan satu lapisan output, sementara di jaringan saraf multilayer, bisa ada satu atau lebih hidden layer (Ganatra, et al. 2011). Jaringan saraf tiruan merupakan pilihan paling populer untuk mengembangkan sistem pengenalan karakter, dimana jaringan ini bisa belajar dengan baik dan memberikan akurasi dan kecepatan yang tinggi untuk identifikasi karakter (Meng & Morariu, 2014). Jaringan saraf berisi sejumlah node (unit atau neuron) yang dihubungkan oleh tepi. Setiap link memiliki bobot yang terkait dengannya. Proses pembelajaran jaringan adalah menghitung bobot ini sehingga jaringan menyajikan hasil terbaik sesuai untuk melatih data. Jaringan saraf tiruan ini adaptif karena bisa beradaptasi terhadap perubahan data dan mempelajari karakteristik sinyal input (Meng & Morariu, 2014).. Universitas Sumatera Utara.

11. 2.5.1 Arsitektur Neural Network a.. Single-Layer Feedforward Network. Dalam jaringan saraf berlapis, neuron diatur dalam bentuk lapisan. Dalam bentuk sederhana dari jaringan berlapis, kita memiliki lapisan masukan dari node sumber yang memroyeksikan langsung ke lapisan output neuron (node komputasi), namun tidak sebaliknya. Dengan kata lain, jaringan ini benar-benar tipe feedforward. Hal ini diilustrasikan pada Gambar. 2.3 untuk kasus empat node pada lapisan input dan output. Jaringan seperti ini disebut jaringan single-layer, dengan sebutan "single-layer" mengacu pada lapisan output dari node komputasi (neuron). Kita tidak menghitung lapisan input node sumber karena tidak ada perhitungan yang dilakukan di sana (Haykin, 2009).. Gambar 2.3. Single-Layer (Haykin, 2009). b.. Multi-Layer. Kelas kedua jaringan saraf feedforward membedakan dirinya dengan adanya satu atau lebih lapisan hidden, yang nodul penghitungannya disebut neuron hidden atau unit tersembunyi; Istilah " hidden" mengacu pada fakta bahwa bagian jaringan saraf tidak terlihat langsung dari input atau ouput jaringan. Fungsi neuron tersembunyi adalah mengintervensi antara input eksternal dan output. Dengan menambahkan satu atau beberapa lapisan hidden, jaringan diaktifkan untuk mengekstrak statistik tingkat tinggi dari masukannya. Grafik arsitektur pada Gambar. 2.4 mengilustrasikan tata letak jaringan saraf multi-layer untuk kasus satu lapisan tersembunyi. Singkatnya, jaringan pada Gambar. 2.4 disebut sebagai jaringan 10-4-2 karena memiliki 10 node input, 4 neuron hidden, dan 2 neuron output (Haykin, 2009).. Universitas Sumatera Utara.

12. Gambar 2.4. Multi layer (Haykin, 2009) 2.5.2 Fungsi Aktivasi Sigmoid Fungsi sigmoid, yang grafiknya berbentuk "S", sejauh ini merupakan bentuk fungsi aktivasi yang paling umum digunakan dalam pembangunan jaringan saraf tiruan. Didefinisikan sebagai fungsi yang meningkat secara ketat yang menunjukkan keseimbangan antara perilaku linier dan nonlinier. Contoh fungsi sigmoid adalah fungsi logistik, yang didefinisikan oleh:. Gambar 2.5 Fungsi Aktivasi Sigmoid Dimana a adalah parameter kemiringan fungsi sigmoid. Dengan memvariasikan parameter a, kita mendapatkan fungsi sigmoid dari lereng yang berbeda. Dalam batas, karena parameter kemiringan mendekati tak terhingga, fungsi sigmoid menjadi hanya fungsi ambang batas. Ada fungsi ambang yang mengasumsikan nilai 0 atau 1, fungsi sigmoid mengasumsikan rentang nilai konstan dari 0 sampai 1 (Haykin, 2009).. 2.5.3 Konsep Learning Neural Network Neural network memiliki banyak algoritma pembelajaran yang dapat dikategorikan ke dalam supervised learning atau unsupervised learning (self-learning). Supervised learning menggunakan data pelatihan berupa vektor masukan dan vektor yang sesuai dengan target yang telah dibuat. Algoritma pembelajaran backpropagation adalah salah satu kategori pelatihan yang paling menonjol. Penggunaan data pelatihan (input vektor) tanpa harus disesuaikan dengan nilai target adalah metode kerja unsupervised learning (Mailani et al, 2016).. Universitas Sumatera Utara.

13. 2.5.3.1 Backpropagation Backpropagation adalah salah satu pelatihan yang paling populer di jaringan saraf tiruan untuk kasus-kasus prediktif dan pengenalan pola. Backpropagation banyak digunakan karena jaringan multilayernya sehingga output yang dihasilkan lebih akurat. Backpropagation pertama kali diperkenalkan oleh Rumelhart dan McCelland pada tahun 1986. Backpropagation dibentuk dengan menggeneralisasikan aturan pelatihan dalam model jaringan dengan menambahkan lapisan tersembunyi (Silaban et al, 2017). Backpropagation adalah metode sistematis jaringan saraf tiruan dengan menggunakan algoritma supervised learning dan biasanya digunakan oleh perceptron dengan banyak lapisan (input layer, hidden layer dan ouput layer) untuk mengubah bobot yang ada pada hidden layer. Backpropagation adalah pelatihan tipe terkontrol yang dikontrol dengan menggunakan pola penyesuaian bobot untuk mencapai nilai minimum error antara output hasil prediksi dengan output sebenarnya. Untuk mendapatkan error jaringan, fase propagasi maju harus dilakukan sebelumnya (Syafriya et al, 2014). Pada fase feedforward, setiap unit menerima sinyal input dan meneruskan sinyal ke semua unit pada lapisan di atasnya (hidden layer). Setiap unit di hidden layer menjumlahkan masukan sinyal yang diterimanya. Pada langkah ini fungsi aktivasi digunakan untuk menghitung sinyal output yang akan dikirim ke semua unit di atasnya (lapisan output). Langkah ini dilakukan sebanyak jumlah hidden layer. Kemudian, untuk setiap unit output menjumlahkan sinyal output. Pada langkah ini fungsi aktivasi juga digunakan untuk menghitung sinyal ouput (Syafriya et al, 2014). Setelah tahap feedforward, langkah selanjutnya kita kembali ke fase lanjut. Pada fase ini, setiap unit output menerima pola target yang terkait dengan pola masukan pelatihan dan menghitung informasi kesalahannya. Kemudian hitung koreksi bobot dan koreksi bias. Langkah ini dilakukan sebanyak jumlah hidden layer. Setiap hidden unit delta menjumlahkan input (dari unit yang terletak di lapisan di atasnya). Kalikan nilai delta dengan turunan fungsi aktivasi untuk menghitung informasi kesalahan, kemudian hitung bobot koreksi dan bias koreksi. Langkah terakhir, untuk setiap unit output memperbaiki bobot dan bias, serta unit tersembunyi juga memperbaiki bobot dan bias (Syafriya et al, 2014).. Universitas Sumatera Utara.

14. 2.5.3.1.1 Algoritma Backpropagation 1) Inisialisasi bobot awal dengan nilai acak yang cukup kecil 2) Bila kondisi berhenti tidak terpenuhi atau bernilai FALSE, maka: Feedforward: a) Setiap input menerima sinyal xi dan meneruskan ke lapisan hidden b) Setiap unit hidden zi menjumlahan sinyal-sinyal input terbobot: n. zin j  v0 j   xi vij i 1. Lalu gunakan fungsi aktivasi untuk menghitung sinyal ouput:. z j  f ( zin j ) Kemudian kirimkan sinyal tersebut ke lapisan berikutnya (output) c) Setiap unit output (yk) menjumlahkan sinyal-sinyal input terbobot: p. y in k  w0 k   z j w jk i 1. Lalu gunakan fungsi aktivasi untuk menghitung sinyal output:.  . y k  f yin k. Backpropagation: a) Setiap unit output (yk) menerima target pola yang berkaitan pola input pembelajaran, hitung nilai error-nya:.  k  t k  yk  f ` yin. k. . Lalu hitung perubahan bobot, gunakan koreksi bobot untuk memperbaiki nilai wjk:. w jk   k z j Lalu hitung perubahan bias, gunakan koreksi bias untuk memperbaiki nilai w0k:. w0 k   . k b) Setiap unit hidden (zi) menjumlahkan delta input-nya dari unit-unit sebelumnya m.  in    k w jk j. k 1. Kemudian nilai ini dikalikan dengan turunan dari fungsi aktivasi untuk mendapatkan nilai error:. Universitas Sumatera Utara.

15.  .  j   in f ` zin j. j. Lalu hitung perubahan error, gunakan untuk memperbaiki nilai vij:. vij   j xi Lalu hitung perubahan bias, gunakan koreksi bias untuk memperbaiki nilai v0j:. v0 j   j c) Setiap unit output (yk) mempebaiki bias dan bobotnya:. w jk ( baru )  w jk ( lama)  w jk Setiap unit hidden (zj) memperbaiki nilai bias dan bobotnya:. vij ( baru )  vij ( lama )  vij 3) Lakukan pengujian kondisi berhenti. (Muis, 2009) Contoh perhitungan manual algoritma Backpropagation:. 1 1 Z1. X1. Z2. y. Z3 X2 Z4. Universitas Sumatera Utara.

16.  Inisialisasi semua bobot dengan bilangan acak yang kecil Z1. Z2. Z3. Z4. X1. 0,5. -0,2. 0,1. 0,3. X2. -0,3. 0,4. 0,2. 0,1. 1. 0,4. 0,1. 0,5. 0,2. Merupakan bobot awal acak dari input layer ke hidden layer. Y Z1. 0,2. Z2. 0,3. Z3. 0,1. Z4. 0,5. 1. 0,4. Merupakan bobot awal dari hidden layer ke output layer Learning rate (α) = 0,5; X1 = 1; X2 = 1; t = 1  Jika kondisi pemberhentian belum terpenuhi, maka: Feedforward: a) Setiap input menerima sinyal xi dan meneruskan ke lapisan hidden b) Setiap unit hidden zi menjumlahan sinyal-sinyal input terbobot: n. zin j  v0 j   xi vij i 1. =. +. = 0,4 + (1 × 0,5) + 1 × (−0,3). +. = 0,4 + 0,5 − 0,3 = 0,6 =. +. = 0,1 + (1 × (−0,2)) + (1 × 0,4). +. = 0,1 − 0,2 + 0,4 = 0,3 =. +. +. = 0,5 + (1 × 0,1) + (1 × 0,2). = 0,5 + 0,1 + 0,2 = 0,8 =. +. +. = 0,2 + (1 × 0,3) + (1 × 0,1). = 0,2 + 0,3 + 0,1 = 0,6. Universitas Sumatera Utara.

17. Mengaktifkan fungsi aktivasi: = = = = =. =. 1 1+. ,. = 0,65. ,. = 0,57. ,. = 0,69. ,. = 0,65. 1 1+ 1 1+ 1 1+. 1 1+. a) Setiap unit output (yk) menjumlahkan sinyal-sinyal input terbobot: p. y in k  w0 k   z j w jk i 1. =. +. +. +. +. = 0,4 + (0,65 × 0,2) + (0,57 × 0,3) + (0,69 × 0,1) + (0,65 × 0,5) = 1,095 Lalu gunakan fungsi aktivasi untuk menghitung sinyal output:.  . y k  f yin k =. 1 1+. =. 1 1+. ,. = 0,75. Backpropagation: d) Setiap unit output (yk) menerima target pola yang berkaitan pola input pembelajaran, hitung nilai error-nya:.  k  t k  y k  f ' yin. k. . =(. −. ). =(. −. ) ( ). = (1 − 0,75) × (1 − 0,75) = 0,047 Lalu hitung perubahan bobot, gunakan untuk memperbaiki nilai wjk:. w jk   k z j ∆W. = αδ (Z ) = 0,5 × 0,047 × 0,65 = 0,02. ∆W. = αδ (Z ) = 0,5 × 0,047 × 0,57 = 0,01. ∆W. = αδ (Z ) = 0,5 × 0,047 × 0,69 = 0,02. ∆W. = αδ (Z ) = 0,5 × 0,047 × 0,65 = 0,02. Universitas Sumatera Utara.

18. Lalu hitung perubahan bias, gunakan koreksi bias: = αδ (1) = 0,5 × 0,047 × 1 = 0,02. ∆W. e) Setiap unit hidden (zi) menjumlahkan delta input-nya dari unit-unit sebelumnya m.  in    k w jk j. k 1. =. ×. = 0,047 × 0,02 = 0,00094. =. ×. = 0,047 × 0,01 = 0,00047. =. ×. = 0,047 × 0,02 = 0,00094. =. ×. = 0,047 × 0,02 = 0,00094. Kemudian nilai ini dikalikan dengan turunan dari fungsi aktivasi untuk mendapatkan nilai error:.  .  j   in f ' zin j. j. =. (1 −. ) = 0,00094 × 0,65 × (1 − 0,65) = 0,0002. =. (1 −. ) = 0,00047 × 0,57 × (1 − 0,57) = 0,0001. =. (1 −. ) = 0,00094 × 0,69 × (1 − 0,69) = 0,0002. =. (1 −. ) = 0,00094 × 0,65 × (1 − 0,65) = 0,0002. Lalu hitung perubahan error, gunakan untuk memperbaiki nilai vij:. v ji   j xi ∆. =. = 0.5 × 0,0002 × 1 = 0,0001. ∆. =. = 0.5 × 0,0001 × 1 = 0,00005. ∆. =. = 0.5 × 0,0002 × 1 = 0,0001. ∆. =. = 0.5 × 0,0002 × 1 = 0,0001. ∆. =. = 0.5 × 0,0002 × 1 = 0,0001. ∆. =. = 0.5 × 0,0001 × 1 = 0,00005. ∆. =. = 0.5 × 0,0002 × 1 = 0,0001. ∆. =. = 0.5 × 0,0002 × 1 = 0,0001. Lalu hitung perubahan bias, gunakan koreksi bias untuk memperbaiki nilai v0j:. v0 j   j ∆. =. = 0.5 × 0,0002 × 1 = 0,0001. ∆. =. = 0.5 × 0,0001 × 1 = 0,00005. Universitas Sumatera Utara.

19. ∆. =. = 0.5 × 0,0002 × 1 = 0,0001. ∆. =. = 0.5 × 0,0002 × 1 = 0,0001. f) Setiap unit output (yk) mempebaiki bias dan bobotnya:. wkj ( baru )  wkj ( lama)  wkj (. ). =. (. +∆. ). = 0,4 + 0,02 = 0,42 (. ). =. (. +∆. ). = 0,2 + 0,02 = 0,22 (. ). =. (. +∆. ). = 0,3 + 0,01 = 0,31 (. ). =. (. +∆. ). = 0,1 + 0,02 = 0,12 (. ). =. (. +∆. ). = 0,5 + 0,02 = 0,52. Setiap unit hidden (zj) memperbaiki nilai bias dan bobotnya:. v ji ( baru )  v ji ( lama )  v ji (. ). =. (. ). +∆. = 0,4 + 0,0001 = 0,4001 (. ). =. (. ). +∆. = 0,1 + 0,000005 = 0,10005 (. ). =. (. ). +∆. = 0,5 + 0,0001 = 0,5001 (. ). =. (. ). +∆. = 0,2 + 0,0001 = 0,2001. (. ). =. (. ). +∆. = 0,5 + 0,0001 = 0,4001 (. ). =. (. ). +∆. Universitas Sumatera Utara.

20. = −0,2 + 0,000005 = −0,19 (. ). =. (. ). +∆. = 0,1 + 0,0001 = 0,1001 (. ). =. (. ). +∆. = 0,3 + 0,0001 = 0,3001. (. ). =. (. ). +∆. = −0,3 + 0,0001 = −0,29 (. ). =. (. ). +∆. = 0,4 + 0,000005 = 0,40005 (. ). =. (. ). +∆. = 0,2 + 0,0001 = 0,2001 (. ). =. (. ). +∆. = 0,1 + 0,0001 = 0,1001. Universitas Sumatera Utara.

21. 2.6 Penelitian Terdahulu 1. Pebrianasari et al (2015) melakukan penelitian pengenalan motif batik Pekalongan dengan algoritma Backpropagation berdasarkan hasil dari penelitian dimana kebutuhan jaringan yang digunakan adalah maksimum epoch 100, targeterror 0,01, learning rate 0,01, maka dapat disimpulkan algoritma backpropagation dapat digunakan untuk pengenalan pola motif batik Pekalongan dengan nilai akurasi masing-masing motif batik adalah motif batik kawung buketan 88,07%, motif batik burung phoenix 87,32%, motif batik enchim 85,68%, motif batik jawa hokokai 90,73% dan motif batik jlamprang 91,31%. Sedangkan nilai akurasi rata-rata yang didapatkan adalah 88,62%. 2. Kasim. &. Harjoko. (2014). melakukan. penelitian. dengan. algoritma. Backpropogation untuk mengklasifikasi motif kain batik dengan motif geometri dan non geometri, hasilnya klasifikasi citra motif geometri dapat dilakukan dengan keberhasilan klasifikasi sebesar 100%, sedangkan pada citra batik non geometri sebesar 85.71%. Motif citra yang tidak beraturan menyebabkan terjadinya kesalahan klasifikasi kelas citra batik motif non geometri. 3. Adlakha et al (2016) melakukan penelitian dengan menganalisis perbandingan antara metode deteksi tepi Sobel dan Prewitt, hasilnya dalam percobaan ini menunjukkan bahwa metode deteksi tepi Prewitt lebih baik daripada metode deteksi tepi Sobel. Meskipun teknik Prewitt mirip dengan Sobel tetapi ada perbedaan respon spektral. 4. Mailani et al (2016), dalam paper conference berjudul “Comparative Analysis of the Accuracy of Backpropagation and Learning Vector Quantisation for Pattern Recognition of Hijaiyah Letters” menyatakan bahwa hasil penelitian menunjukkan bahwa akurasi terbaik diperoleh dengan meningkatkan jumlah dan nilai dari zaman tingkat pembelajaran. Untuk satu zaman 5000 pada tingkat belajar 0:01, backpropagation menghasilkan akurasi 98,81% dan LVQ akurasi 51,19%. Semakin tinggi nilai pembelajaran, persentase akurasi yang dihasilkan oleh Backpropagation dan LVQ menjadi lebih kecil. Semakin besar jumlah zaman yang digunakan dalam proses pelatihan, akurasi yang dihasilkan dari kedua algoritma tersebut meningkat.. Universitas Sumatera Utara.

22. 5. Suciati et al (2014), dalam paper conference berjudul “Batik Motif Classification Backpropagation. using. Color-Texture-Based. Neural. Network”. Feature. menyatakan. hasil. Extraction kinerja. and model. Backpropagation Neural Network untuk mengenali masing-masing motif gambar batik diuji menggunakan dua kelompok gambar sebagai input, yaitu data pelatihan-pengujian (54 gambar pelatihan digunakan sebagai input dalam proses pengujian) dan data pengujian (hanya 16 gambar pengujian yang digunakan sebagai input dalam proses pengujian).Semua 54 gambar yang sebelumnya digunakan sebagai data pelatihan, dapat dikenali dengan benar selama pengujian. Model Backpropagation Neural Network dapat mengenali motif 16 gambar input dengan cukup baik.. Universitas Sumatera Utara.

23. Universitas Sumatera Utara.

23. BAB 3 ANALISIS DAN PERANCANGAN. 3.1 Analisis Sistem Tahapan yang akan dilakukan pada analisis sistem adalah mengidentifikasi serta memberikan pemahaman secara rinci mengenai permasalahan, kebutuhan serta pemodelan yang akan muncul dalam pembuatan sistem secara menyeluruh. Tahapan ini dilakukan agar pada saat proses perancangan sistem tidak terjadi kesalahan yang berarti, sehingga sistem yang dirancang dapat berjalan dengan baik dan tepat guna sesuai dengan tujuan utama. Ada dua tahapan dalam analisis sistem, yaitu analisis masalah dan analisis kebutuhan. 3.1.1 Analisis Masalah Tahapan yang dilakukan pada analisis masalah adalah mengidentifikasi sebab dan akibat dibangunnya sebuah sistem agar sistem yang akan dirancang tersebut dapat berjalan sesuai tujuan utama dibuatnya sistem tersebut. Pada saat ini, banyak masyarakat yang tidak mengatahui pola motif songket Palembang, karena songket Palembang memiliki motif yang sangat banyak dan kompleks, sehingga tidak mudah untuk mengenali setiap motif dari songket tersebut. Tetapi dengan adanya aplikasi yang dapat mengenali pola motif songket Palembang diharapkan dapat memudahkan masyarakat untuk menganali setiap motif songket. Pada penelitian ini, penulis mencoba menggunakan operator deteksi tepi Prewitt dan algoritma Backpropagation pada pengenalan pola motif songket Palembang agar pengguna mendapat informasi yang dibutuhkan. Pengenalan pola motif songket Palembang adalah masalah yang akan diselesaikan dengan menggunakan sistem ini. Untuk mengidentifikasi masalah tersebut digunakan diagram Ishikawa (fishbone diagram). Diagram Ishikawa berbentuk seperti ikan yang memiliki struktur terdiri atas kepala ikan (fish’s head) dan tulang-tulang ikan (fish’s bones). Nama atau judul. yang akan diidentifikasi terletak. Universitas Sumatera Utara.

24. pada bagian kepala ikan. Sedangkan pada bagian tulang menggambarkan penyebabpenyebab masalah tersebut. Diagram Ishikawa pada sistem ini dapat dilihat pada Gambar 3.1.. Gambar 3.1 Diagram Ishikawa Pada Gambar 3.1 dapat dilihat bahwa pada bagian kepala pada gambar merupakan akibat (effect) atau masalah yang ingin dianalisis yaitu proses pengenalan pola songket Palembang, dan terdapat empat kategori penyebab masalah pada penelitian yang digambarkan dengan tanda panah yang mengarah ke tulang utama, yaitu berkaitan dengan manusia/pengguna (users), material (materials), metode (methods) dan mesin/media yang terlibat (machine). 3.1.2 Analisis Kebutuhan Pada tahapan membangun sebuah sistem, terdapat dua hal analisis kebutuhan sistem, yaitu analisis kebutuhan fungsional dan analisis kebutuhan non-fungsional. 3.1.2.1 Kebutuhan Fungsional Kebutuhan fungsional yang terdapat pada aplikasi pengenalan pola songket Palembang sebagai berikut: 1. Melakukan proses mengubah citra warna untuk mendapatkan tepi citra dengan operator deteksi tepi Prewitt sebelum melakukan pelatihan atau pengujian Backpropagation. 2. Melakukan proses pengenalan pola songket berupa pelatihan (training) dan pengenalan (recognition) pola songket dengan algoritma Backpropagation. 3. Menampilkan hasil pengenalan pola Songket Palembang.. Universitas Sumatera Utara.

25. 3.1.2.2 Kebutuhan Non-Fungsional Kebutuhan non-fungsional yang terdapat pada aplikasi pengenalan pola songket Palembang sebagai berikut: 1. Aplikasi yang dibangun user friendly bertujuan agar pengguna dapat mempelajari cara penggunaan aplikasi dengan cepat. 2. Dengan desain yang sederhana sehingga user dapat menggunakan aplikasi dengan mudah. 3. Aplikasi yang dibangun tidak membutuhkan biaya dan perangkat tambahan.. 3.1.3 Pemodelan Pemodelan dilakukan untuk mengetahui gambaran yang jelas tentang cara kerja sistem yang akan dibangun dan objek-objek yang akan berinteraksi dengan sistem, serta halhal yang harus dilakukan oleh sebuah sistem sehingga sistem berfungsi dengan baik. Pada penelitian ini pemodelan sistem menggunakan UML (Unified Modeling Language) sebagai bahasa pemodelan untuk mendesain dan merancang aplikasi pengenalan pola songket Palembang. UML banyak digunakan pada metode visualisasi dan pendokumentasian perancangan sistem perangkat lunak. UML menggunakan seperangkat simbol untuk mewakili secara grafis berbagai komponen dan hubungan dalam suatu sistem (Shelly & Rosenblatt, 2012). Model UML yang digunakan pada penelitian ini antara lain Use case diagram, Activity diagram dan Sequence diagram.. 3.1.3.1 Use Case Diagram Use case diagram merupakan gambaran yang dapat merepresentasikan penggunaan aplikasi sistem dan interaksi antara aktor dan sistem itu sendiri. Use case diagram dari sistem yang akan dibangun dapat dilihat pada Gambar 3.2.. Gambar 3.2 Use Case Diagram. Universitas Sumatera Utara.

26. Pada Gambar 3.2 menunjukkan use case diagram aplikasi pengenalan pola songket Palembang. Pada use case diagram dapat dilihat bahwa terdapat satu aktor yang berperan yaitu pengguna. Pengguna dapat melakukan interaksi terhadap sistem, yaitu pengguna dapat menginput gambar, kemudian mengubah gambar berwarna dengan operator deteksi tepi Prewitt, hasil gambar operator deteksi tepi Prewitt kemudian user melakukan pelatihan terhadap gambar dengan pelatihan Backpropagation, atau user dapat melakukan pengujian terhadap gambar dengan pengujian Backpropagation. Tabel 3.1 Use Case Memilih Pelatihan atau Pengujian Name Actors Description. Basic Flow. Alternate Flow Pre Condition Post Condition. Memilih Pelatihan atau Pengujian Pengguna Use Case ini mendeskripsikan pengguna memilih proses pelatihan atau pengujian Backpropagation Use case ini dimulai ketika pengguna memilih menu pelatihan atau pengujian. 1. Sistem menampilkan halaman pelatihan atau pengujian yang dipilih pengguna Pengguna dapat kembali ke menu utama dan mengganti inputan yang baru Pengguna dapat melihat tampilan menu utama Pengguna dapat memilih proses yang akan digunakan dalam melakukan pengenalan pola songket Tabel 3.2 Use Case Input Gambar. Name Actors Description. Basic Flow. Alternate Flow Pre Condition Post Condition. Input Gambar Pengguna Use Case ini mendeskripsikan penginputan gambar yang akan diproses Use case ini dimulai ketika pengguna memilih menu pelatihan atau pengujian. 1. Sistem menampilkan halaman pelatihan atau pengujian yang akan menampilkan folder untuk memilih gambar 2. Pengguna memilih gambar yang akan diproses Pengguna dapat kembali ke menu utama dan dapat mengganti inputan yang baru Pengguna dapat melihat tampilan menu utama Pengguna dapat memilih proses yang akan digunakan dalam melakukan pengenalan pola songket. Universitas Sumatera Utara.

27. Tabel 3.3 Use Case Melakukan Metode Prewitt Name Actors Description. Basic Flow. Alternate Flow Pre Condition Post Condition. Melakukan Metode Prewitt Pengguna Use Case ini mendeskripsikan proses melakukan metode Prewitt untuk mendapatkan tepi pada gambar Use case ini dimulai ketika pengguna menginput gambar yang akan diproses. 1. Sistem menampilkan gambar yang telah dipilih 2. Pengguna menekan button Prewitt untuk memroses gambar 3. Sistem akan menampilkan gambar yang telah diproses menggunaka metode Prewitt Pengguna dapat mengganti algoritma yang ingin digunakan dan dapat mengganti inputan yang baru Pengguna telah menginput gambar Pengguna dapat melihat gambar yang telah diproses menggunakan metode Prewitt. Tabel 3.4 Use Case Melakukan Pelatihan Backpropagation Name Actors Description. Basic Flow. Alternate Flow Pre Condition Post Condition. Melakukan Pelatihan Backpropagation Pengguna Use Case ini mendeskripsikan proses pelatihan Backpropagation Use case ini dimulai ketika pengguna memilih menu pelatihan Backpropagation. 1. Sistem menampilkan halaman Pelatihan Backpropagation 2. Pengguna menginputkan gambar yang akan diproses 3. Sistem menampilkan gambar yang akan diproses 4. Pengguna menekan button Prewitt untuk memroses gambar dengan metode Prewitt 5. Sistem menampilkan hasil gambar yang telah diproses menggunakan metode Prewitt 6. Pengguna menekan button Pelatihan untuk memroses gambar dengan algoritma Pelatihan Backpropagation 7. Sistem akan memroses gambar yang akan dilatih dengan algoritma Backpropagation 8. Pengguna member keterangan nama songket untuk gambar yang telah dilatih, lalu menyimpan ke database Pengguna dapat kembali ke menu utama Pengguna telah menginput gambar Pengguna telah menyimpan hasil pelatihan ke database. Universitas Sumatera Utara.

28. Tabel 3.5 Use Case Melakukan Pengujian Backpropagation Name Actors Description. Basic Flow. Alternate Flow Pre Condition Post Condition. Melakukan Pengujian Backpropagation Pengguna Use case ini mendeskripsikan proses pengujian Backpropagation Use case ini dimulai ketika pengguna memilih menu Pengujian Backpropagation. 1. Sistem menampilkan halaman Pengujian Backpropagation 2. Pengguna menginputkan gambar yang akan diproses 3. Sistem menampilkan gambar yang akan diproses 4. Pengguna menekan button Prewitt untuk memroses gambar dengan metode Prewitt 5. Sistem menampilkan hasil gambar yang telah diproses menggunakan metode Prewitt 6. Pengguna menekan button Pengujian untuk memroses gambar dengan algoritma Pengujian Backpropagation 7. Sistem akan memroses gambar yang akan diuji dengan algoritma Backpropagation dan mencocokkan gambar uji dengan gambar yang tersimpan di database. Kemudian sistem akan menampilkan hasil pengenalan gambar Pengguna dapat mengganti proses Backpropagation yang ingin digunakan dan dapat mengganti inputan yang baru Pengguna telah menginput gambar Pengguna telah mendapatkan hasil pengenalan pola. 3.1.3.2 Activity Diagram Activity Diagram menyerupai flowchart horizontal yang menunjukkan tindakan dan kejadian saat terjadi. Activity diagram menunjukkan urutan tindakan yang terjadi dan mengidentifikasi hasilnya. Activity diagram juga dapat menampilkan banyak use case dalam bentuk kotak, di mana kelas ditampilkan sebagai palang vertikal dan tindakan muncul sebagai panah horizontal (Shelly & Rosenblatt, 2012).. Universitas Sumatera Utara.

29. Gambar 3.3 Activity Diagram Pelatihan Backpropagation Gambar 3.3 merupakan activity diagram pelatihan backpropagation, menjelaskan tindakan aktor serta yang terjadi pada sistem.. Gambar 3.4 Activity Diagram Pengujian Backpropagation Gambar 3.4 merupakan activity diagram pengujian backpropagation, menjelaskan tindakan aktor serta yang terjadi pada sistem.. Universitas Sumatera Utara.

30. 3.1.3.3 Sequence Diagram Sequence Diagram adalah model dinamis dari sebuah use case, yang menunjukkan interaksi. antar. kelas. selama. jangka. waktu. tertentu.. Sequence. Diagram. mendokumentasikan sebuah use case secara grafis (Shelly & Rosenblatt, 2012).. Gambar 3.5 Sequence Diagram Pelatihan Backpropagation Gambar 3.5 merupakan sequence diagram pelatihan backpropagation, menjelaskan tindakan aktor serta yang terjadi pada sistem.. Gambar 3.6 Sequence Diagram Pengujian Backpropagation Gambar 3.6 merupakan sequence diagram pengujian backpropagation, menjelakan tindakan aktor serta yang terjadi pada sistem.. Universitas Sumatera Utara.

31. 3.1.3.4 Arsiterktur Umum Sistem Arsitektur umum sistem merupakan skema perancangan sistem yang menggambarkan alur sistem secara keseluruhan. Arsitektur umum sistem dapat dilihat pada gambar 3.7 sebagai berikut: Akuisisi Citra Songket Palembang. Citra Latih. Citra Uji. Memperkecil (Resize) ukuran citra menjadi 500x500 piksel. Memroses citra dengan operator deteksi tepi Prewitt untuk mendapatkan titik tepi gambar. Memroses citra dengan operator deteksi tepi Prewitt untuk mendapatkan titik tepi gambar. Algoritma Backpropogation untuk pelatihan dan pengujian songket Palembang. Hasil Pengujian Songket Palembang. Gambar 3.7 Arsitektur Umum Sistem Dari Gambar 3.7 menunjukkan arsitektur umum sistem pengenalan motif songket Palembang. . Akuisisi Citra Original image yang akan digunakan sebagai data set diambil dari laman web penjualan songket Palembang yaitu “jualsongketpalembang.com”.. . Memperkecil Ukuran Gambar (Resize) Original image telah mengalami preprocessing yaitu cropping dan resize secara manual dengan menggunakan aplikasi paint hingga ukuran gambar yang akan digunakan sebagai data set sebesar 500x500 piksel.. . Prewitt Data set yang akan digunakan untuk Training dan Recognition sebelumnya akan melalui tahap deteksi tepi Prewitt untuk mendapatkan titik tepi gambar. Pada tahap Prewitt gambar yang berupa gambar warna akan diubah menjadi grayscale kemudian proses Prewitt untuk mendapatkan tepi gambar.. Universitas Sumatera Utara.

32. 3.1.3.5 Flowchart 3.1.3.5.1 Flowchart Aplikasi Pengenalan Songket Palembang Berikut adalah flowchart dari aplikasi pengenalan pola songket Palembang:. Gambar 3.8 Flowchart Aplikasi Pengenalan Songket Palembang Pada Gambar 3.8 menggambarkan alur sistem yang akan dirancang secara umum. Terdapat dua proses pada sistem, yaitu proses Pelatihan (Training) dan Pengenalan (Recognition). 3.1.3.5.2 Flowchart Operator Deteksi Tepi Prewitt Berikut ini merupakan flowchart operator deteksi tepi Prewitt:. Gambar 3.9 Flowchart Operator Deteksi Tepi Prewitt Pada Gambar 3.9 menggambarkan proses citra asli yang diproses dengan menggunakan operator deteksi tepi Prewitt.. Universitas Sumatera Utara.

33. 3.1.3.5.3 Flowchart Algoritma Backpropagation Berikut ini merupakan flowchart algoritma Backpropagation:. Gambar 3.10 Flowchart Algoritma Backpropagation Pada Gambar 3.10 merupakan gambar untuk flowchart algoritma Backpropagation.. 3.2 Perancangan Sistem Perancangan antarmuka (interface) merupakan proses yang cukup penting dalam perancangan sebuah sistem. Antarmuka (interface) sistem merupakan alur komunikasi antara pengguna dengan sistem. Sebuah antarmuka (interface) harus dirancang dengan memerhatikan factor pengguna sehingga sistem yang akan dibangun dapat memberikan kenyamanan dan kemudahan untuk digunakan oleh pengguna. 3.2.1 Rancangan Antarmuka Halaman Utama Antarmuka (interface) Halaman Utama adalah tampilan awal pada aplikasi ketika aplikasi dibuka. Rancangan antarmuka (interface) Halaman Utama dapat dilihat pada Gambar 3.11 dan keterangan dari Gambar 3.11 dapat terlihat pada Tabel 3.6.. Universitas Sumatera Utara.

34. Training. Recognition 2. 1. Implementasi Deteksi Tepi Prewitt dan Algoritma Backpropagation Untuk Pengenalan Pola Songket Palembang. 3. SKRIPSI CITRA EKA MUTIA 121401035. S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA 2019. Gambar 3.11 3.1 Rancangan Antarmuka Halaman Utama Tabel 3.6 Keterangan Gambar Rancangan Antarmuka Halaman Utama No Keterangan 1 Menubar pilihan menu untuk Training Backpropagation 2 Menubar pilihan menu untuk Recognition Backpropagation 3 Label untuk judul aplikasi dan skripsi 3.2.2 Rancangan Antarmuka Training Halaman antarmuka Training akan muncul ketika pengguna menekan menu Training. Rancangan antar muka Training dapat dilihat pada gambar 3.12 dan keterangan dari gambar 3.12 dapat dilihat pada tabel 3.7. 3. Training. Recognition. 1. 2. 6. 4. 7 TRAINING 3. OPEN FILE. 5 PREWIT 8. NAMA POLA :. 9. SAVE. Gambar 3.12 Rancangan Antarmuka Training. Universitas Sumatera Utara.

35. No 1 2 3 4 5 6 7 8 9. Tabel 3.7 Keterangan Gambar Rancangan Antarmuka Training Keterangan Menubar pilihan menu untuk Training Backpropagation Menubar pilihan menu untuk Recognition Backpropagation Button Open File untuk membuka atau mencari file gambar yang akan ditampilkan Label untuk menampilkan gambar yang telah dipilih Button Prewitt untuk memroses gambar yang telah dipilih dengan operator Prewitt Label untuk menampilkan gambar hasil dari proses operator Prewitt Button Training untuk memroses gambar hasil operator Prewitt dengan pelatihan Backpropagation Textfield untuk menginput keterangan nama pola songket Button Save untuk menyimpan hasil latih Backpropagation dan keterangan nama pola songket. 3.2.3 Rancangan Antarmuka Recognition Halaman antarmuka Recognition akan muncul ketika pengguna menekan menu Recognition. Rancangan antar muka Recognition dapat dilihat pada gambar 3.13 dan keterangan dari gambar 3.13 dapat dilihat pada tabel 3.8 Training. Recognition. 2. 1 6. 4. 3. OPEN FILE. PREWIT. 5. RECOGNITION. 7. Gambar 3.13 Rancangan Antarmuka Recognition No 1 2 3 4 5 6 7. Tabel 3.8 Keterangan Gambar Rancangan Antarmuka Recognition Keterangan Menubar pilihan menu untuk Training Backpropagation Menubar pilihan menu untuk Recognition Backpropagation Button Open File untuk membuka atau mencari file gambar yang akan ditampilkan Label untuk menampilkan gambar yang telah dipilih Button Prewitt untuk memroses gambar yang dipilih dengan operator Prewitt Label untuk menampilkan gambar hasil dari proses operator Prewitt Button Recognition untuk memroses gambar hasil operator Prewitt dengan algoritma Backpropagation. Universitas Sumatera Utara.

36. Universitas Sumatera Utara.

36. BAB 4 IMPLEMENTASI DAN PENGUJIAN. 4.1 Implementasi Sistem Implementasi sistem merupakan tahapan yang dilakukan setelah tahap analisis dan perancangan sistem yang telah diuraikan pada bab sebelumnya. Aplikasi ini menggunakan software Netbeans IDE dengan bahasa Java. Aplikasi ini juga menggunakan operator deteksi tepi Prewitt dan algoritma Backpropagation untuk proses pengenalan pola songket Palembang. Pada aplikasi ini terdapat 3 (tiga) tampilan halaman, yaitu halaman utama, halaman training, halaman recognition. 4.1.1 Halaman Utama Halaman utama merupakan tampilan yang pertama kali muncul apabila sistem dibuka. Pada tampilan ini, terdapat 2 button yang memiliki fungsi masing-masing pada sistem. Halaman utama dapat dilihat pada Gambar 4.1.. Gambar 4.1 Halaman Utama. Universitas Sumatera Utara.

37. 4.1.2 Halaman Training Halaman training merupakan halaman yang digunakan untuk melatih gambar yang kemudian disimpan pada database. Pada halaman ini user dapat menginput gambar yang ingin dilatih. Halaman Training dapat dilihat pada Gambar 4.2.. Gambar 4.2 Halaman Training 4.1.3. Halaman Recognition Halaman recognition merupakan halaman yang digunakan untuk menguji gambar apakah gambar yang akan diuji dapat dikenali sistem atau tidak. Halaman Recognition dapat dilihat pada Gambar 4.3.. Gamabar 4.3 Halaman Recognition. Universitas Sumatera Utara.

38. 4.1.4 Deteksi Tepi Prewitt Gambar yang akan menjadi masukan merupakan gambar dengan format *.jpg dengan ukuran gambar 500x500 piksel. Sebelum gambar diproses dengan algoritma Backpropagation maka gambar akan diproses dengan deteksi tepi Prewitt agar didapat titik tepi gambar seperti pada Gambar 4.4.. Gambar 4.4 Contoh Prewitt 4.1.5 Ketentuan dan Parameter Pengujian Sistem ini menggunakan beberapa ketentuan-ketentuan yang akan menjadi parameter berjalannya proses sistem ini sehingga didapat beberapa hasil yang dapat dijadikan bahan acuan. 1. Maksimal epoch yang dipakai sebesar 200, learning rate 0.5, mean square error 0.001, target error 0.01, input layer 2 dan 4 hidden layer yang telah ditentukan pada program. 2. Gambar yang akan diinput sebesar 500 x 500 piksel dengan format *.jpg. 3. Setiap pola songket terdapat 3 buah gambar, yaitu 1 gambar yang telah dilatih dan 2 gambar yang tidak dilatih. Gambar yang gambar latih dan tidak latih berupa gambar original dan gambar yang telah melalui proses editing yaitu Flip Vertical dan Flip Horizontal. 4. Spesifikasi Komputer yaitu AMD E1-200, RAM 2GB, Windows 10. 4.2 Pengujian Sistem Pengujian sistem merupakan tahap lanjutan dari implementasi sistem. Pengujian sistem dilakukan guna membuktikan sistem yang dibangun telah berjalan sesuai dengan analisis dan perancangan sistem yang telah dibuat sebelumnya. Pada sistem ini harus memiliki gambar acuan yang terdapat pada library agar dapat menjadi gambar acuan atau Data Set gambar yang dilatih. Cara melatih gambar seperti berikut :. Universitas Sumatera Utara.

39. 1.. Pada sistem terdapat button “Open File” untuk memilih gambar yang akan diinput dan dilatih.. 2.. Kemudian terdapat button “Prewitt” untuk mendapatkan titik tepinya dengan menggunakan deteksi tepi Prewitt.. 3.. Isi kolom “Nama Pola” kemudian pilih button “Training” untuk melatih gambar. Gambar yang telah dilatih secara otomatis akan tersimpan ke database.. Gambar 4.5 Proses Input dan Pelatihan Gambar. Universitas Sumatera Utara.

40. Berikut ini adalah data set yang akan digunakan untuk training: Tabel 4.1 Tabel Gambar Data Set Bungo Cino. Bungo Cino1. Bungo Cino2. Bungo Cino3. Lepus Bintang Lepus Bintang Lepus Mawar Lepus Besaung Bertabur Mawar Kecik Berkandang Mawar Berlian Kristal Berlian. Pada Tabel 4.1 merupakan data set yang akan digunakan untuk melakukan training dengan algoritma Backpropagation.. Tabel 4.2 Tabel Nilai Mean Square Error No.. Nama Motif. Epoch ke-. Nilai MSE. 1. Bungo Cino. 200. 1,78702. 2. Bungo Cino1. 200. 0,20832. 3. Bungo Cino2. 200. 0,31736. 4. Bungo Cino3. 200. 0,84273. 5. Lepus Bintang Bertabur. 200. 1,80432. 6. 200. 1,60993. 7. Lepus Bintang Mawar Kecik Berlian Lepus Mawar Berkandang Kristal Berlian. 200. 1,77779. 8. Lepus Nago Besaung Mawar. 200. 1,77545. Pada Tabel 4.2 merupakan nilai mean square error setelah melakukan pengambilan gambar yang telah diproses dengan operator Prewitt dan algoritma Backpropagation.. Universitas Sumatera Utara.

41. Berikut ini adalah gambar grafik yang menunjukkan penurunan nilai Mean Square Error tiap epoch mulai dari epoch ke-1 sampai epoch ke-200 dengan contoh pelatihan data set motif Bungo Cino1.. Grafik MSE Tiap Epoch 120 100 Nilai MSE. 80 60 40 20 0 1. 4. 7. 10 13 16 19 22 25 28 31 36 39 42 45 50 161 179 200 Epoch. Gambar 4.6 Grafik Penurunan Nilai Mean Square Error Tiap Epoch. Percobaan lain pelatihan pola songket Palembang dengan nilai maksimum epoch 200 dan learning rate 0.8, maka hasilnya terlihat pada table 4.3 berikut: Tabel 4.3 Tabel Nilai Mean Square Error maks epoch 200 dan learning rate 0.8 No. Nama Songket. Epoch ke-. MSE Training. 1. Bungo Cino. 200. 0,58672. 2. Bungo Cino1. 114. 0,0. 3. Bungo Cino2. 200. 0,10034. 4. Bungo Cino3. 77. 0,0. 5. Lepus Bintang Bertabur. 200. 0,86527. 6. Lepus Bintang Mawar Kecik Kristal Berlian. 200. 0,5533. 7. Lepus Mawar Berkandang Kristal Berlian. 200. 0,87508. 8. Lepus Besaung Mawar. 200. 0,26737. Pada table 4.3 menunjukkan nilai Mean Square Error untuk pelatihan dengan maksimum epoch 200 dan nilai learning rate 0.8. Dapat dilihat bahwa beberapa gambar yang dilatih mencapai nilai MSE 0.000 dengan epoch yang kurang dari maksimum epoch.. Universitas Sumatera Utara.

42. 4.2.1 Hasil pengujian sampel songket Hasil pengujian dapat dilihat pada tabel 4.4 dan tabel 4.5. Tabel 4.4 Pengujian sampel gambar songket Palembang Input. Target Bungo Cino. Hasil Bungo Cino. Bungo Cino. Bungo Cino. Bungo Cino1. Bungo Cino1. Bungo Cino1. Bungo Cino1. Universitas Sumatera Utara.

43. Bungo Cino2. Bungo Cino2. Bungo Cino2. Bungo Cino2. Bunga Cino3. Tidak Ada Yang Cocok!. Bungo Cino3. Tidak Ada Yang Cocok!. Lepus Bintang Lepus Bintang Bertabur Bertabur. Universitas Sumatera Utara.

44. Lepus Bintang Lepus Bintang Bertabur Bertabur. Lepus Bintang Lepus Bintang Mawar Kecik Mawar Kecik Kristal Berlian Kristal Berlian. Lepus Bintang Lepus Bintang Mawar Kecik Mawar Kecik Kristal Berlian Kristal Berlian. Lepus Mawar Lepus Besaung Berkandang Mawar Kristal Berlian. Lepus Mawar Lepus Besaung Berkandang Mawar Kristal Berlian. Universitas Sumatera Utara.

45. Lepus Besaung Lepus Besaung Mawar Mawar. Lepus Besaung Lepus Besaung Mawar Mawar. Pada Tabel 4.4 merupakan hasil dari pengujian sampel gambar songket Palembang. Dari 16 gambar, terdapat 12 gambar yang hasilnya sesuai, 2 gambar tidak diketahui, dan 2 gambar dengan hasil yang tidak sesuai target. Tabel 4.5 Pengujian sampel gambar bukan songket Input. Target Tidak Ada Yang Cocok!. Hasil Tidak Ada Yang Cocok!. Tidak Ada Yang Cocok!. Bungo Cino3. Universitas Sumatera Utara.

46. Tidak Ada Yang Cocok!. Tidak Ada Yang Cocok!. Tidak Ada Yang Cocok!. Tidak Ada Yang Cocok!. Tidak Ada Yang Cocok!. Lepus Bintang Bertabur. Tidak Ada Yang Cocok!. Tidak Ada Yang Cocok!. Pada Tabel 4.5 merupakan hasil dari pengujian sampel gambar bukan songket Palembang. Terdapat 6 gambar yang diuji, hasilnya ada 4 gambar yang sesuai dan 2 gambar yang hasilnya tidak sesuai target. Total terdapat 22 sampel gambar sebagai gambar uji yang terdiri dari sampel songket Palembang dan bukan songket. Hasil yang didapat yaitu sebanyak 16 gambar yang hasilnya sesuai dan 6 gambar yang hasilnya tidak sesuai dengan target.. Universitas Sumatera Utara.

47. Berikut ini adalah percobaan pengenalan pola dengan maksimum epoch 200 dan learning rate 0.8. Tabel 4.6 Hasil pengenalan pola dengan epoch 200 dan learning rate 0.8 No 1 2 3 4 5 6 7 8 9 10. 11. 12. 13. Gambar Uji Bungo Cino Flip Vertikal Bungo Cino Flip Horizontal Bungo Cino1 Flip Vertikal Bungo Cino1 Flip Horizontal Bungo Cino2 Flip Vertikal Bungo Cino2 Flip Horizontal Bungo Cino3 Flip Vertikal Bungo Cino3 Flip Horizontal. Gambar. Hasil. Keterangan. Bungo Cino. Bungo Cino1. Tidak Sesuai. Bungo Cino. Bungo Cino1. Tidak Sesuai. Bungo Cino1. Bungo Cino1. Sesuai. Bungo Cino1. Bungo Cino1. Sesuai. Bungo Cino2. Bungo Cino1. Tidak Sesuai. Bungo Cino2. Bungo Cino1. Tidak Sesuai. Bungo Cino3. Bungo Cino1. Tidak Sesuai. Bungo Cino3. Bungo Cino1. Tidak Sesuai. Bungo Cino1. Tidak Sesuai. Bungo Cino1. Tidak Sesuai. Bungo Cino1. Tidak Sesuai. Bungo Cino1. Tidak Sesuai. Bungo Cino1. Tidak Sesuai. Target. Lepus Bintang Bertabur. Lepus Bintang. Flip Vertikal. Bertabur. Lepus Bintang Bertabur. Lepus Bintang. Flip Horizontal. Bertabur. Lepus Bintang Mawar. Lepus Bintang. Kecik Kristal Berlian. Mawar Kecik. Flip Vertikal. Kristal Berlian. Lepus Bintang Mawar. Lepus Bintang. Kecik Kristal Berlian. Mawar Kecik. Flip Horizontal. Kristal Berlian. Lepus Mawar. Lepus Mawar. Berkandang Kristal. Berkandang. Berlian Flip Vertikal. Kristal Berlian. Universitas Sumatera Utara.

48. 14. Lepus Mawar. Lepus Mawar. Berkandang Kristal. Berkandang. Bungo Cino1. Tidak Sesuai. Bungo Cino1. Tidak Sesuai. Bungo Cino1. Tidak Sesuai. Bungo Cino1. Tidak Sesuai. Bungo Cino1. Tidak Sesuai. Bungo Cino1. Tidak Sesuai. Bungo Cino1. Tidak Sesuai. Bungo Cino1. Tidak Sesuai. Bungo Cino1. Tidak Sesuai. Berlian Flip Horizontal Kristal Berlian Lepus Besaung Mawar. Lepus Nago. Flip Vertikal. Besaung Mawar. Lepus Besaung Mawar. Lepus Nago. Flip Horizontal. Besaung Mawar. 17. Batik1. 18. Batik2. 19. Batik3. 20. Batik4. 21. Batik5. 22. Batik6. Tidak Ada Yang Cocok! Tidak Ada Yang Cocok! Tidak Ada Yang Cocok! Tidak Ada Yang Cocok! Tidak Ada Yang Cocok! Tidak Ada Yang Cocok!. 15 16. Pada tabel 4.6 merupakan percobaan dengan epoch 200 dan learning rate 0.8 menunjukkan hasil bahwa gambar yang dikenali sebanyak 2 gambar yang sesuai dengan target dari total 22 gambar sampel songket dan bukan songket. Dari percobaan ini hasil yang didapat dengan pola yang dikenali sebanyak 2 gambar disimpulkan bahwa semakin besar nilai learning rate maka ketelitian jaringan suatu sistem semakin kecil, sebaliknya jika nilai learning rate semakin kecil maka ketelitian sistem semakin baik.. Universitas Sumatera Utara.

49. 4.2.2 Analisis Hasil Kecocokan Pola Songket Palembang Dari hasil pengujian terhadap 22 gambar sampel yang telah diuji dengan maksimal epoh 200 dan learning rate 0.5, maka perhitungan akurasi yang didapat diperoleh dengan rumus persentase sebagai berikut: Persentase akurasi = x 100% Persentase akurasi =. × 100%. = 72,7% Pada percobaan ini, dapat disimpul kan bahwa untuk ke 22 gambar yang diuji didapatkan hasil sebanyak 16 gambar dapat dikenali dan sesuai dengan target menggunakan algoritma Backpropagation dan deteksi tepi Prewitt.. Universitas Sumatera Utara.

50. BAB 5 KESIMPULAN DAN SARAN. 5.1 Kesimpulan Berdasarkan hasil dari penelitian mengenai implementasi deteksi tepi Prewitt dan algoritma Backpropagation, maka dapat disimpulkan bahwa : 1. Operator deteksi tepi Prewitt dan algoritma Backpropagation dapat digunakan untuk pengenalan pola songket Palembang dengan hasil yang cukup baik. 2. Deteksi tepi Prewitt dan algoritma Backpropagation dapat mengenali 16 gambar pola dengan total sampel gambar sebanyak 22 gambar dari 16 gambar sampel songket dan 6 gambar sampel bukan songket, dengan persentasi hasil sebesar 72,7%. 5.2 Saran Adapun saran yang dapat diberikan untuk mengembangkan penelitian ini adalah sebagai berikut : 1. Diharapkan kedepannya dapat digunakan secara real-time dengan mengambil gambar secara langsung menggunakan kamera. 2. Diharapkan kedepannya akan didapatkan hasil yang akurat dengan motif songket yang lebih banyak. 3. Diharapkan kedepannya dapat mengenali pola dari berbagai sudut.. Universitas Sumatera Utara.

51. DAFTAR PUSTAKA. Adlakha, D., Tanwar, R. 2016. Analytical Comparison between Sobel and Prewitt Edge Detection Techniques. International Journal of Scientific & Engineering Research 7(1): 1482-1484. Ganatra, A., Kosta, Y. P., Panchal, G., Gajjar, C. 2011. Initial Classification Through Backpropagation In a Neural Network Following Optimization Through GA to Evaluate the Fitness of an Algorithm. International Journal of Computer Science & Information Technology (IJCSIT) 3(1): 98-116. Haykin, S. 2009. Neural Networks and Learning Machines. 3rd Edition. Pearson Education, Inc : New Jersey. Kasim, A. A., Harjoko, A., 2014. Klasifikasi Citra Batik Menggunakan Jaringan Syaraf Tiruan Berdasarkan Gray Level CoOccurrence Matrices (GLCM). Seminar Nasional Aplikasi Teknologi Informasi (SNATI), pp.C-7 – C-13. Mailani, N. A., Amrizal, V., Hakiem, N. 2016. Comparative Analysis of the Accuracy of Backpropagation and Learning Vector Quantisation for Pattern Recognition of Hijaiyah Letters. 6th International Conference and Communication Technology for The Muslim World, pp.316-319. Meng, H. & Morariu, D. 2014. Khmer Character Recognition using Artificial Neural Network. Asian-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA). Muis, S. 2009. Identifikasi Pola Sinyal dengan Menggunakan Teknik Neural Network. Graha Ilmu : Yogyakarta. Pebrianasari, V., Mulyanto, E., Dolphina, E. 2015. Analisis Pengenalan Motif Batik Pekalongan Menggunakan Algoritma Backpropogation. Techno.COM 14(4): 281-290.. Universitas Sumatera Utara.

52. Salim, N. S. 2016. Kain Songket Palembang dengan Penerapan Teknik Batik sebagai Produk Fesyen. ITB Journal of Visual Art and Design 7(2) : 92-115. Syafria, F., Buono, A., Silalahi, B. P. 2014. A Comparition of Backpropagation and LVQ : a study of lung sound recognition. International Conference on Advance Computer Science and Information System (ICACSI), pp.402-407. Shelly, G. B. & Rosenblatt, H. J. 2012. System Analysis and Design. 9th Edition. Course Technology, Cengange Learning : United States of America. Silaban, H., Zarlis, M. & Sawaluddin. 2017. Analysis of Accuracy and Epoch on Backpropagation BFGS Quasi-Newton. International Conference on Information and Communication Technology (IconICT), pp. 1-5 Solomon, C. & Breckon, T. 2011. Fundamentals of Digital Image Processing. John Wiley & Sons, Ltd: United States of America. Suciati, N., Pratomo, W. A. & Purwitasari, D. 2014. Batik Motif Classification using ColorTexture-Based Feature Extraction and Backpropagation Neural Network. 3rd International Conference on Advanced Applied Informatics, pp. 517-521. Zhou, H. Wu, J. & Zhang, J. 2010. Digital Image Processing-Part I. Ventus Publishing ApS : Denmark.. Universitas Sumatera Utara.

A-1. LAMPIRAN LISTING PROGRAM. Prewitt: class prewit { int sx,sy,M; public prewit() { } BufferedImage go(BufferedImage img, JLabel labelGambarPrewitt) { ColorModel cm = img.getColorModel(); Boolean isAlphaPremultiplied =cm.isAlphaPremultiplied(); WritableRaster raster = img.copyData(null); BufferedImage hasil = new BufferedImage(cm, raster, isAlphaPremultiplied, null); int panjang = img.getWidth(); int tinggi = img.getHeight(); int maskingHorizontal; int maskingVertikal; Color pixelAsli; for(int i = 0; i<tinggi; i++){ int iFinal = i; new Thread(new Runnable(){ public void run(){ double loading = ((double) iFinal) / (tinggi-1) * 100.00; loading = Math.floor(loading * 100) / 100; labelGambarPrewitt.setText(String.valueOf(loading)); } }).start();. Universitas Sumatera Utara.

A-2. for(int j = 0; j<panjang; j++){ maskingHorizontal = 1; maskingVertikal = -1; sx = 0; sy = 0; M = 0; for(int m = i-1; m<=i+1; m++){ for(int n = j-1; n <=j+1; n++){ if(m<0 || m>= tinggi){ sx += 0; } else if(n<0 || n >= panjang){ sx += 0; } else{ pixelAsli = new Color(img.getRGB(n,m)); int red = (int)(pixelAsli.getRed()*0.299); int green = (int)(pixelAsli.getGreen()*0.587); int blue = (int)(pixelAsli.getBlue()*0.114); int nilaiBit = red+green+blue; sx = sx + (nilaiBit * maskingHorizontal); } } maskingHorizontal -- ; } for(int m = j-1; m<=j+1; m++){. Universitas Sumatera Utara.

A-3. for(int n = i-1; n <=i+1; n++){ if(m<0 || m>= panjang){ sy += 0; } else if(n<0 || n >= tinggi){ sy += 0; } else{ pixelAsli = new Color(img.getRGB(m,n)); int red = (int)(pixelAsli.getRed()*0.299); int green = (int)(pixelAsli.getGreen()*0.587); int blue = (int)(pixelAsli.getBlue()*0.114); int nilaiBit = red+green+blue; sy = sy + (nilaiBit * maskingVertikal); } } maskingVertikal ++ ; } if(sy < 0) sy *= -1; if(sx < 0) sx *= -1; M = sy + sx; if(M > 128){ M = 255; } else { M = 0; }. Universitas Sumatera Utara.

A-4. Color newColor = new Color(M,M,M); hasil.setRGB(j,i, newColor.getRGB()); } } return hasil; } }. Backpropagation: public backPropagation(){ inputLayer = 2; hiddenLayer = 4; learningRate = 0.5; maxEpoh = 200; targetError = 0.01; meanSquareError = 0.001; zIn = new double[hiddenLayer]; z = new double[hiddenLayer]; deltaW = new double[hiddenLayer]; deltaFuncIn = new double[hiddenLayer]; deltaFuncArray = new double[hiddenLayer]; deltaV = new double[inputLayer][hiddenLayer]; deltaV0 = new double[hiddenLayer]; v0 = new double[hiddenLayer]; w = new double[hiddenLayer]; v = new double[inputLayer][hiddenLayer]; } void go(BufferedImage img) { image = img;. Universitas Sumatera Utara.

A-5. citra = hitungNilaiPixel(img); hitungBackPropagation(citra); } private double randomkan() { double random = Math.random(); random = Math.floor(random*10000) / 10000; return random; } int[][] hitungNilaiPixel(BufferedImage img) { int index = img.getHeight() * (img.getWidth()/2); int[][] hasil = new int[index][2]; int indexPertama = 0; for(int i=0; i<img.getHeight();i++){ for(int j=1; j<img.getWidth(); j+=2){ hasil[indexPertama][0] = ambilNilaiPixel(img,j-1,i); hasil[indexPertama][1] = ambilNilaiPixel(img, j, i); indexPertama++; } } return hasil; } private int ambilNilaiPixel(BufferedImage img, int j, int i) { Color c = new Color(img.getRGB(j,i)); int red = (int)(c.getRed()*0.299); int green = (int)(c.getGreen()*0.587); int blue = (int)(c.getBlue()*0.114); int nilaiBit = red+green+blue; if(nilaiBit >= 254){. Universitas Sumatera Utara.

A-6. nilaiBit = 1; }else{ nilaiBit = 0; } return nilaiBit; } private void hitungBackPropagation(int[][] citra) { for(int i=0; i<hiddenLayer; i++){ v0[i] = randomkan(); w[i] = randomkan(); for(int j=0; j<inputLayer; j++){ v[j][i] = randomkan(); } } w0 = randomkan(); for(int epoh=0; epoh<maxEpoh; epoh++){ System.out.println("Epoh ke : "+epoh); for(int i=0; i<citra.length;i++){ for(int j=0; j<hiddenLayer; j++){ zIn[j] = v0[j] + ((double) v[0][j] * citra[i][0]) + ((double) v[1][j] * citra[i][1]); } for(int j=0; j<hiddenLayer; j++){ z[j] =fungsiAktifasi(zIn[j]); } yIn = w0 + (w[0] * z[0]) + (w[1] * z[1]) + (w[2] * z[2]) + (w[3] * z[3]); yIn = formatEmpatDigit(yIn); y = fungsiAktifasi(yIn); t = citra[i][0] | citra[i][1];. Universitas Sumatera Utara.

A-7. kuadratEror = Math.pow((t-y), 2); kuadratEror = formatEmpatDigit(kuadratEror); deltaFunc = (t - y) * y * (1-y); deltaFunc = formatEmpatDigit(deltaFunc); for(int j=0 ; j<hiddenLayer; j++){ deltaW[j] = learningRate * deltaFunc * z[j]; deltaW[j] = formatEmpatDigit(deltaW[j]); } deltaW0 = learningRate * deltaFunc; deltaW0 = formatEmpatDigit(deltaW0); for(int j=0; j<hiddenLayer; j++){ deltaFuncIn[j] = deltaFunc * w[j]; deltaFuncIn[j] = formatEmpatDigit(deltaFuncIn[j]); } for(int j=0; j<hiddenLayer; j++){ deltaFuncArray[j] = deltaFuncIn[j] * (fungsiAktifasi(zIn[j]) * (1-fungsiAktifasi(zIn[j]))); deltaFuncArray[j] = formatEmpatDigit(deltaFuncArray[j]); } for(int j=0; j<hiddenLayer; j++){ deltaV[0][j] = learningRate * deltaFunc * citra[i][0]; deltaV[0][j] = formatEmpatDigit(deltaV[0][j]); deltaV[1][j] = learningRate * deltaFunc * citra[i][1]; deltaV[1][j] = formatEmpatDigit(deltaV[1][j]); deltaV0[j] = learningRate * deltaFuncArray[j];. Universitas Sumatera Utara.